多模态信息融合舰船目标识别研究进展

舰船目标识别的信息源主要来自现代高分辨率成像雷达形成的舰船目标信息,包括高分辨距离像、船舶自动识别系统信息以及合成孔径雷达成像。在对海探测环境相对复杂的情况下,基于单模态信息对海上舰船目标识别的能力有限,而利用多模态信息融合将更有益于实现对海上目标高效的侦察监视和识别。首先,对单模态舰船目标识别方法进行梳理和总结,分析目前不同舰船目标识别方法存在的优势和不足;然后对多模态信息融合舰船目标识别常用数据集进行介绍,并对新方法、新模型进行了深入分析;最后对舰船目标识别未来发展趋势进行展望,为后续基于多模态信息融合的舰船目标识别方法研究提供参考。

基于显著性检测的舰船目标识别方法研究

针对红外图像舰船目标识别率较低的问题,提出基于显著性检测算法的舰船目标识别方法。通过分析图像中的显著性特征,利用颜色、形状和空间位置3个维度对显著性对象进行检测分析。结合背景先验和前景约束,提出显著图提取方法,降低干扰噪声对目标识别的影响。在舰船目标识别特征提取方面,选择形状、尺寸、矩特征、轮廓特征和纹理特征作为主要特征,并通过多特征级联的方法对舰船目标进行识别。算例分析结果表明,所提出的方法准确率达到89.21%,检测速度达到31帧/s,验证了基于显著性检测算法的红外图像舰船目标识别方法的有效性和优越性。

面向舰船目标识别的遥感图像超分辨率重建

天基遥感图像分辨率的退化为舰船目标的识别带来了巨大挑战。图像超分辨率重建技术可以为识别任务提供丰富的信息,然而将图像超分辨率重建与舰船目标识别任务分别独立进行,将会忽略两个任务间的内在相关性。针对这些问题,为了探索图像超分辨率重建与目标识别任务间的有效结合方式,提出了面向舰船目标识别的遥感图像超分辨率重建方法。设计了一种通道全连接网络,以自适应加权的通道全连接代替残差连接,提升各层特征的流动性与表达性能,实现遥感图像的高效超分辨率重建。为了进一步挖掘超分辨率重建对舰船目标识别性能提升的潜力,引入多任务学习技术,提出了一种超分辨率重建与目标识别联合网络,通过多阶段训练优化策略实现联合端到端网络的稳定训练,从而引导任务间进行有效的互相监督学习。在公开数据集FGSCR-42上的实验结果表明,当遥感图像在8倍和16倍的分辨率退化情况下,提出的超分辨率重建网络帮助舰船目标识别准确率分别提升了33.27和17.48个百分点,所提联合网络则将识别准确率进一步提升了1.75和1.91个百分点。

基于轻量级YOLOv4与KCF的复杂海面舰船目标识别

对于远距离或小尺寸的舰船目标,采用轻量级YOLOv4模型可提供高效实时的特征提取,降低计算和存储资源的需求,这对于长时间海上任务或移动设备十分重要。并且单一尺度特征提取容易导致识别结果出现较大误差,因此提出基于轻量级YOLOv4与KCF的复杂海面舰船目标识别方法。首先,对海面远小舰船图像进行双向均衡化处理,突出图像的细节。其次,设计一种更加轻量化的YOLOv4网络,从3个不同尺度提取舰船目标特征图,更快捷地捕捉舰船目标的位置和动态变化。最后,通过KCF算法结合相似度阈值,筛选出目标像素,构造舰船目标图像,完成舰船目标的识别。实验结果表明:所研究方法双向均衡化处理后图像质量得到提升,SNR最高达到35.4 dB,SSIM最大值为0.94;轻量化特征提取效果较为理想,特征提取的时间复杂度最低为1.2 s;相较于YOLOX-S算法、级联网络方法,所研究方法能够识别出全部的舰船目标,精准度达到了100%;所研究方法的最大帧率为49.6帧/s,相较于YOLOX-S算法、级联网络方法分别提升了84.40%与192.31%。因此,说明该方法能够更加精准地识别复杂海面舰船目标。

基于高分辨雷达距离像降维双谱特征的舰船目标识别

针对利用高分辨雷达距离像(HRRP)进行舰船目标识别的问题,本文研究了轴向、径向、圆周、局部四种降维积分双谱特征对舰船目标识别性能的区别.首先使用不同降维积分双谱对舰船目标HRRP进行特征提取,然后利用支持向量机(SVM)对提取的特征进行分类识别,最后通过仿真和实测实验分别分析了不同特征向量长度和训练样本数量对不同降维积分双谱识别性能的影响.仿真和实测结果表明,不同的降维积分双谱在达到最佳的识别性能时,需要选择不同的特征向量长度和训练样本数量.

基于SVM分类的红外舰船目标识别

针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域,并对原图相应的位置进行标记和归一化处理,然后利用HOG特征提取标记区域的高维特征向量,用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类,识别目标和干扰。仿真实验表明,该算法具有良好的性能,在复杂海天干扰背景下能够有效地识别红外舰船目标。

基于D-S证据理论的近岸舰船目标识别

在深入分析和提取近岸舰船目标红外特性和微波特性的基础之上,提出一种基于D-S证据理论的红外图像和微波特性融合方法来实现近岸舰船目标的识别。一方面,对红外图像进行小波去噪、边缘提取、海天线识别与对消等红外预处理和特征提取后,可以得到若干个待选目标;另一方面,对目标回波进行衰减、低噪声放大、滤波和线性放大等处理后,可以得到信号幅度大于一定阈值若干个待选目标。最后,通过对红外和微波得到的待选目标运用D-S证据理论的融合规则进行数据融合,得到最终识别结果。算法易于硬件实现。实验表明,该方法能达到较好的识别效果。

基于混合型复数域卷积神经网络的三维转动舰船目标识别

在较高海情下,由于舰船目标处于随机摆动的非平稳运动状态,常规合成孔径雷达(Synthetic Aperture Radar,SAR)成像处理会使得目标散焦、方位模糊,从而导致三维转动舰船目标识别准确率低.本文提出一种混合型复数域卷积神经网络(Mix-type Complex-Valued Convolutional Neural Network,Mix-CV-CNN),并推导Mix-CV-CNN前向传播与反向传播算法.三维转动舰船目标经过SAR成像处理后存在剩余相位信息,Mix-CV-CNN能充分利用SAR复数域图像的幅度和相位信息,在不进行目标重聚焦的情况下,较好完成SAR复杂运动舰船目标的识别.实验表明,Mix-CV-CNN相较于具有相同自由度的实数域卷积神经网络(Real-Valued Convolutional Neural Network,RV-CNN)识别性能有所提高,实测数据识别平均准确率提高3.85%.

舰船目标图像不变特征及识别仿真研究

在舰船目标图像优化识别中,传统不变矩高阶矩易受噪声干扰,存在信息冗余,且特征量匹配也仅局限于计算图像与模板特征量间的距离度量或相关度量。为解决上述问题,提出了一种采用无冗余复数不变矩和多项式曲线拟合的舰船目标图像识别算法,选取复数不变矩作为描述图像识别的不变特征,以图像的复数不变矩作为数据点,结合多项式曲线拟合理论,计算图像复数不变矩的多项式曲线拟合系数,通过拟合系数间的相似性度量对图像目标进行描述,并应用于实际的舰船图像并对其有效性进行了仿真分析。仿真结果表明,所提方法对舰船目标图像不变特征描述具有较好稳定性,为舰船目标图像识别提供了参考。

基于多特征联合稀疏表示的SAR舰船目标识别方法

针对合成孔径雷达(Synthetic aperture radar,SAR)图像舰船目标识别问题,提出一种基于多特征联合稀疏表示的方法。分别采用几何尺寸特征矢量、主成分分析(Principal component analysis,PCA)和核主成分分析(Kernel PCA.KPCA)特征矢量描述SAR舰船目标的特性,基于以上特征,采用联合稀疏表示进行分类。根据散射特征的重构误差之和对测试样本的目标类别进行决策。实验中,采用RADARSAT-24类典型舰船目标的SAR图像进行性能测试。结果表明,此方法在标准操作条件下可以取得92.5%的平均识别率,高于现有的几类对比方法。另外,此方法在噪声干扰以及少量训练样本的条件下也能保持更强的稳健性,获得优于现有方法的性能。

基于支持向量机的高分辨率遥感影像的舰船目标识别研究

舰船目标识别技术是海上监测和作战的关键技术,能否快速而准确对海上目标进行识别,关系到海上作战的胜负。近年来,基于计算机图像识别和处理的舰船目标识别技术发展迅速,SAR图像处理技术在海洋遥感探测领域获得了广泛的应用。随着遥感技术的发展,海上舰船的遥感图像分辨率越来越高,相应的数据含量也呈指数式增加。因此,研究高分辨遥感图像的舰船目标识别技术具有重要意义。本文主要针对基于支持向量机的高分辨率遥感影像,对舰船目标识别过程的图像分割技术、目标检测算法和样本采集等进行详细介绍和研究,该研究提高了舰船目标识别技术的准确性和可靠性,具有重要的实际应用价值。

基于对称Gabor小波滤波的舰船目标识别方法

文中构建一种对称Gabor小波滤波器(SGWF),能够对逆合成孔径雷达(ISAR)像中舰船进行识别。由Gabor小波滤波器构建的SGWF滤波器具有上下对称结构,对镜像翻转的图像滤波后仍具有镜像对称性。使用SGWF与奇异值分解(SVD)相结合来提取特征,使得该方法可以避免因多普勒变化导致的ISAR正像和倒像的检测问题。SGWF可在不同尺度和方向对图像进行滤波,充分反映图像的纹理特征和强度特征。在实验中,使用九艘民船的实测ISAR像进行识别,通过在成像过程加入高斯白噪声来检测算法对噪声的鲁棒性,并检验图像分块数量对算法性能的影响,以及检验训练样本数量对算法性能的影响,识别结果证明了算法的有效性。

浅析舰船目标识别流程与方法

目标识别属于模式识别,是指通过人工或技术手段把一个或一类特殊目标从众多目标中区分出来的过程。舰船目标识别对于一个国家的海洋权益和海洋安全有着重要的意义。本文根据识别过程中是否用到目标图像把舰船目标识别技术分为基于成像与基于非成像两大类,梳理了两类技术的识别流程并针对不同技术的优缺点进行了简要分析。

基于改进ResNet网络的复数SAR图像舰船目标识别方法

合成孔径雷达(synthetic aperture radar,SAR)采用微波相干成像,因此SAR图像本质上是复数的。传统基于神经网络的SAR图像目标识别方法,通常只处理SAR图像的幅度信息,无法有效利用SAR图像特有的复数信息。本文面向SAR图像中的舰船目标识别应用,从SAR图像的本质出发,首先通过组合SAR图像的实部、虚部和幅度三通道信息,隐式地提供了输入数据的复数信息表示;然后在ResNet18网络及其结构基础上引入通道注意力机制,使网络能自适应学习实部、虚部和幅度三通道之间包含的复数信息;最后引入标签平滑正则化,解决因复数数据集样本较少出现的过拟合现象。基于OpenSARShip数据集的实验结果表明,所提方法可以较好利用SAR图像本身的复数信息,在一定程度上提升了基于深度神经网络的舰船目标识别效果。

基于复数域CNN的舰船目标识别算法

随着海洋科学技术发展以及对海监测需求的不断增加,对海洋舰船目标的长期持续监视与高精度识别越来越重要。合成孔径雷达(SAR)作为对海监测的有效手段,具备全天候、全天时和高分辨探测等优势,已在海洋监视领域得到重视。近年来,随着基于深度学习的舰船目标识别技术的发展,SAR图像处理技术在海洋遥感探测领域得以广泛应用。针对目前基于深度卷积网络的舰船目标识别问题,提出了一种基于复数域卷积神经网络(CV-CNN)的舰船目标识别算法。试验表明,该算法提高了舰船目标识别的准确性和可靠性,具有应用价值。

浅谈舰船目标识别的方法和技术

针对海洋环境中的舰船目标识别问题,对现有方法和技术进行研究。从基于非成像技术和成像技术2个角度对现有舰船目标识别方法展开介绍。对于基于非成像技术进行舰船目标识别的方法,分析算法的一般性框图,并对国内外的研究历史和现状进行介绍。而对于基于成像技术的方法,从红外成像、合成孔径雷达成像和卫星遥感成像3个方面展开,对每类方法的原理做简要介绍,并阐述每类方法的技术发展和优缺点,给出简单的比较。

中低分辨率遥感影像舰船目标识别方法

针对当前光学成像卫星的目标识别基本依靠人工判别的现状,结合中低分辨率遥感图像的目标特征不明显、舰船种类多、识别困难的特点,论文根据国内卫星资源情况与研究现状,分析并比较了光学成像卫星不同传感器提取的目标特征,选择可见光传感器进行目标识别方法研究,对适用于中低分辨率遥感图像的目标识别方法进行比较,并选择出适用于当前海军海上侦察预警的方法。该方法能够极大缩减卫星图像数据处理时间,改善舰艇目标识别由人工判别的现状,增加战时卫星数据的及时性,为海军侦察预警提供技术支撑。

一种基于视觉感知的舰船目标智能化识别方法

为有效识别视觉系统采集的可见光图像中的舰船目标,提出了基于YOLO(You Only Look Once)网络模型改进的10层的卷积神经网络(Convolutional Neural Network,CNN)用于水面舰船目标的智能识别,通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征,将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明,与YOLO网络模型相比,综合精确率、召回率和效率3个舰船目标识别的性能指标,改进后的CNN性能更好,从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势,有利于推动综合性视觉感知框架的构建。

基于神经网络的舰船目标识别研究

为了实现对水下目标的识别,在现有特征提取方法的基础上,提出了一种从DEMON谱线谱和DEMON谱连续谱提取的特征方法,并设计了一个基于BP神经网络和多神经网络分类识别器的舰船目标识别系统。通过对实际舰船噪声目标进行识别,识别效果比较满意。这对舰船目标识别的发展具有一定的参考价值。

无人机在海上舰船目标识别中的应用

随着海洋开发的深入,卫星、无人机等遥感设备在获取海洋信息图像方面的能力得到了广泛的关注。利用遥感技术得到海洋图像,对于舰船目标识别具有重要意义。本文克服传统的Zernike矩算法易受外界干扰的问题,利用四元数进行改进,最后通过仿真实验说明本文算法识别率高、鲁棒性强。